邮件文本分类：CountVectorizer / TF-IDF + 朴素贝叶斯

一句话总结： 邮件分类是文本分类的经典场景，TfidfVectorizer（抑制停用词）+ MultinomialNB（多项式朴素贝叶斯）是工业基线三件套。

环境要求

• Python 3.14+
• scikit-learn 1.9+
• pandas 3.0+
• numpy 2.4+
• jupyter 1.1+
• notebook 7.5+
• nbconvert 7.17+

一、为什么 TF-IDF + 朴素贝叶斯是文本分类默认组合

优势： 训练快、可解释、对小数据集友好（50 篇文档也能跑）。

二、数据加载

import pandas as pd

data_train = pd.read_csv("email_data_train.csv")       # 仅 "text" 列
target_train = pd.read_csv("email_target_train.csv")   # 仅 "target" 列(0/1)

数据结构： 二分类邮件数据（正常/垃圾，或不同主题），50 篇训练样本。

三、转换为 List 格式

注意： sklearn 向量化器要求输入是可迭代的字符串序列。

data_train = data_train["text"].tolist()
target_train = target_train["target"].tolist()

大规模数据提示： 百万级文本用 HashingVectorizer 替代，无需存储词表，节省内存。

四、CountVectorizer 词频向量化

核心： 构建词表，每篇文档转成"该词出现次数"的向量。

from sklearn.feature_extraction.text import CountVectorizer

vectorizer = CountVectorizer()                       # 默认：小写 + 按空格切分
data_train_vectorized = vectorizer.fit_transform(data_train)

输出： 稀疏矩阵 (50, 3225) = 50 篇文档 × 3225 个词。

# 50 篇文档有 3225 个不同的词
print(vectorizer.get_feature_names_out()[1000:1100])  # 查看部分词表
print(len(vectorizer.get_feature_names_out()))        # 3225

⚠️ sklearn 1.0+： 用 get_feature_names_out() 替代 get_feature_names()（已删除）。

五、训练朴素贝叶斯分类器

MultinomialNB 适用场景： 特征是离散计数（词频、TF-IDF），特别适合文本分类。

核心假设： 特征条件独立（朴素之处）。实践中即使不满足也常常 work。

from sklearn.naive_bayes import MultinomialNB
from sklearn import set_config
set_config(display='text')   # 关闭 diagram 渲染

classifier = MultinomialNB()
classifier.fit(data_train_vectorized, target_train)

六、预测新文档（关键：fit_transform vs transform）

# 待预测的 2 篇新邮件
docs = [
    'The graphic designer requires a good processor to work',
    'Flights into space'
]

# ⚠️ 关键：用训练时的 vectorizer 做 transform，不能重新 fit
data_new = vectorizer.transform(docs)
data_pred = classifier.predict(data_new)
# → [0, 1]

核心原则：

⚠️ 这是文本分类的"高频踩坑点"，必须牢记！

七、TF-IDF 向量化（更优）

核心思想： TF-IDF = 词频（TF）× 逆文档频率（IDF）

• TF： 词在当前文档中出现的频率
• IDF： 词在多少篇文档中出现过的"倒数"，出现越普遍权重越低

优势： 自动降低"全场停用词"（the、is）的权重，突出"有区分度"的关键词。

from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer()
data_train_vectorized = vectorizer.fit_transform(data_train)

相同接口，效果通常更优。

八、Count vs TF-IDF 对比

结论： 工业默认组合是 TfidfVectorizer + MultinomialNB。

九、完整 Pipeline 部署

from sklearn.pipeline import Pipeline
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB

# Pipeline 串联向量化 + 分类器
pipe = Pipeline([
    ('tfidf', TfidfVectorizer()),
    ('clf', MultinomialNB())
])

pipe.fit(data_train, target_train)
pipe.predict(docs_new)  # 直接用 Pipeline 预测

优势：

• 训练/预测时自动处理 fit/transform 顺序
• 一行 pickle 保存，生产部署方便

十、关键要点

• fit_transform vs transform： 训练用前者，测试/预测用后者（必记）
• TfidfVectorizer 更优： 与朴素贝叶斯搭配效果更好
• get_feature_names_out： sklearn 1.0+ 新 API
• 稀疏矩阵： CSR 格式只存非零值，文本场景省 90% 内存
• Pipeline 必备： 生产部署的"标配"

十一、进阶路径

中文场景标准三件套：

import jieba

def seg_text(text):
    return " ".join(jieba.lcut(text))

texts_seg = [seg_text(t) for t in texts]
# TfidfVectorizer + MultinomialNB

十二、常见陷阱

• ❌ 测试集重新 fit_transform： 词表不一致，预测完全错位
• ❌ 中文未分词： 整句成 1 个 token，模型失效
• ❌ 忘记用 Pipeline： 手动管 fit/transform 顺序易出错
• ❌ 调旧版 API： get_feature_names() 在 sklearn ≥ 1.0 已删除
• ❌ 训练集太小： 50 篇可能欠拟合，工业建议 ≥ 10000 篇

十三、调参与超参数

from sklearn.model_selection import GridSearchCV

param_grid = {
    'tfidf__ngram_range': [(1, 1), (1, 2)],
    'tfidf__min_df': [1, 2, 5],
    'clf__alpha': [0.1, 0.5, 1.0]   # NB 平滑参数
}

grid = GridSearchCV(pipe, param_grid, cv=5, scoring='accuracy')
grid.fit(data_train, target_train)
print(grid.best_params_)

关键参数：

网络取材来源于：ant-exercises-sklearn: scikit-learn 编程练习 100例